LIFY.it
SIMP
Signal and Image
Measur ements and Pr ocessing
University of Rome “Tor Vergata”
Dept. of Electronic Engineering
Innovazione e Informazione
Prospettive nella diagnosi precoce dei tumori
al seno attraverso sistemi CADx
Sommario
La genesi di una nuova ricerca
Il contesto e lo stato dell’arte
Il sistema di elaborazione
Identificazione della regione di interesse
Segmentazione
Estrazione delle caratteristiche
Classificazione
Risultati preliminari
Progetti futuri
La genesi di una nuova ricerca
Esperienze precedenti nei campi dell’image processing
Opportunità di una collaborazione in area medica
Identificazione del campo di interesse
Processamento di immagini mammografiche
allo scopo di assistere il medico
nella individuazione dei segni tumorali
Il contesto e lo stato dell’arte
Secondo le statistiche dell’AIRC, in Italia:
E’ la forma di tumore più comune nelle donne
Colpisce 1 donna su 10
E’ la prima causa di morte per tumore delle donne
Circa 40.000 nuovi casi ogni anno (4100 solo nel Lazio)
Circa 12.000 decessi ogni anno
Spesa sanitaria: un miliardo di euro l’anno
4.000 giornate di degenza ospedaliera
Intervento chirurgico
Terapie e farmaci
Esami diagnostici
Tempo sottratto al lavoro
E’ fondamentale diagnosticare precocemente le lesioni
Il contesto e lo stato dell’arte
Vista MLO
(Medio-Lateral-Oblique)
La mammografia è attualmente
il metodo più efficace
per la diagnosi precoce
non è invasiva
meno radiazioni
rispetto ad altre tecniche
più economica
rispetto ad altri metodi
Vista CC
(Cranio-Caudal)
Il contesto e lo stato dell’arte
E’ tra le analisi più difficili
da interpretare
Lastre fotografiche
Acquisizione digitale
12 o 16 bit / pixel
40 – 50 m / pixel
Database DDSM
Il contesto e lo stato dell’arte
Masse
Natura delle lesioni:
Basso contrasto
Dimensioni ridotte
Margini poco definiti
Microcalcificazioni
L’interpretazione è
“operatore dipendente”
Il 10-20% delle lesioni
non viene identificato
Il contesto e lo stato dell’arte
Il radiologo deve analizzare
un gran numero di immagini
Mammografia di screening
La maggior parte sono negative
Alto rischio di avere falsi negativi
I radiologi possono focalizzare
l’attenzione sui casi positivi o dubbi, riducendo:
Con un sistema CADx
i tempi di attesa dei casi critici
il numero di biopsie non necessarie
Il contesto e lo stato dell’arte
CAD
Computer Aided Detection

Identificazione delle regioni sospette nel mammogramma
CAC Computer Aided Characterization

Estrazione di caratteristiche dalle regioni sospette
CADx Computer Aided Diagnosis

Aiuto alla diagnosi per il radiologo, secondo lettore o
primo lettore per radiologo inesperto
Il progetto
Mammografia
…
selezione della
regione di
interesse (ROI)
Denoising e
enhancement
Indice di malignità
Texture
(3D)
Classificatore
Segmentazione
Estrazione delle
caratteristiche
Forma
(2D)
Selezione della ROI
Mammografia
…
selezione della
regione di
interesse (ROI)
Denoising e
enhancement
Indice di malignità
Texture
(3D)
Classificatore
Segmentazione
Estrazione delle
caratteristiche
Forma
(2D)
Selezione della ROI
Template Matching  ricerca di oggetti in un’immagine la cui geometria
bi e tridimensionale “somiglia” ad una geometria data come modello
FILTRO
a IRIDE
Un centro della griglia
cade vicino al centro
geometrico della massa
Grigliatura
2°
Centro segnalato dal
radiologo
Vettore
gradiente
3°
R3
R1
R2
1°
4°
Individuazione di
4 regioni sospette
con indice di
pericolosità
associato
Miglioramento della qualità
Mammografia
…
selezione della
regione di
interesse (ROI)
Denoising e
enhancement
Indice di malignità
Texture
(3D)
Classificatore
Segmentazione
Estrazione delle
caratteristiche
Forma
(2D)
Rimozione del rumore
Il rumore nei mammogrammi
 Ha caratteristiche simili alle microcalcificazioni e quindi l’analisi multiscala (wavelet)
è necessaria per ridurne l’effetto senza alterare i segni tumorali.
 Ha caratteristiche statistiche che dipendono dall’intensità di grigio del pixel e quindi
un’analisi preliminare deve stimare questa dipendenza
-4
7
-4
x 10
4.5
x 10
4
6
3.5
5
noise variance
noise variance
3
4
3
2.5
2
1.5
2
1
1
0.5
0
0.1
0.15
0.2
0.25
0.3
0.35
pixel intensity values
0.4
0.45
0.5
0.55
0.6
0
0.1
0.15
0.2
0.25
0.3
0.35
pixel intensity values
0.4
0.45
0.5
0.55
 La presenza di dati spuri dovuti ad artefatti, graffi, polvere, movimenti fisiologici del
paziente etc. necessita l’utilizzo di stimatori e metodi di regressione robusta
Rimozione del rumore
Wavelet
denoising
Original Image
Edge
detector
Soglia
Signal Dependent
Noise Variance
Estimation
Filtro
Passa-Basso
Negative
Negative
Robust
Median
estimator
Aumento del contrasto
La dimensione delle microcalcificazioni (0.1 – 1 mm) rende necessario l’utilizzo di un
approccio multiscala mediante trasformata discreta wavelet non decimata e opportuni
operatori a soglia per l’aumento del contrasto, con soglie e guadagni di tipo adattativo tarate



sul rumore,
sulle dimensioni caratteristiche delle microcalcificazioni
sui valori di luminanza presenti nella ROI
(c1)
(c2)
(b1)
(b2)
(a1)
(e1)
(a2)
(e2)
Segmentazione
Mammografia
…
selezione della
regione di
interesse (ROI)
Denoising e
enhancement
Indice di malignità
Texture
(3D)
Classificatore
Segmentazione
Estrazione delle
caratteristiche
Forma
(2D)
Segmentazione
Algoritmo di tipo Region Growing  partendo da uno o più semi si aggiungono pixel
adiacenti in base alla differenza di luminanza rispetto al seme di partenza in base a delle
soglie e alla distanza.
Al passo successivo si aggiornano le soglie.
Problematiche
 L’algoritmo è altamente efficiente, ma computazionalmente proibitivo
 Le soglie presenti devono essere legate ai valori di luminanza locali
Soluzione
 E’ stato trovata un’ottimizzazione algoritmica al fine di renderlo applicabile
 Mediante un’analisi di regressione le soglie sono state legate ai valori di luminanza locali
Segmentazione
originale
Segmentazione
maschera
Foreground
Foreground
Background
Background
Foreground
Foreground
Background
Background
Estrazione delle caratteristiche
Mammografia
…
selezione della
regione di
interesse (ROI)
Denoising e
enhancement
Indice di malignità
Texture
(3D)
Classificatore
Segmentazione
Estrazione delle
caratteristiche
Forma
(2D)
Estrazione delle caratteristiche
Area e perimetro
Circle with
mean radial
length
Statistiche del raggio
Radial
lengths
Radial
lengths
Circle with
mean radial
length
Circolarità

Rettangolarità

Eccentricità
Area
Bounding box
Entropia
Zero crossing
Rugosità del bordo
Geometric
center



Geometric
center

Zero Crossing
Shape Features
Estrazione delle caratteristiche
Estrazione del convex hull (poligono convesso contenente le microcalcificazioni)
Distribuzione spaziale delle microcalcificazioni
Area del cluster
Estrazione delle caratteristiche
Caratteristiche di Haralick:
Angular second moment
Contrast
Correlation
Variance
Inverse different moment
Sum average, variance, entropy
Difference variance, entropy
Information misures correlation
Max correlation coefficient
Estrazione delle caratteristiche
Caratteristiche di Haralick:
microcalcificazioni
Angular second moment
Contrast
Correlation
Variance
Inverse different moment
Sum average, variance, entropy
Difference variance, entropy
Information misures correlation
Max correlation coefficient
Estrazione delle caratteristiche
Istogramma sovrapposto
Istogramma non sovrapposto
Circolarità
Raggio normalizzato
Entropia
Classificazione
Mammografia
…
selezione della
regione di
interesse (ROI)
Denoising e
enhancement
Indice di malignità
Texture
(3D)
Classificatore
Segmentazione
Estrazione delle
caratteristiche
Forma
(2D)
Classificazione
Estrazione delle caratteristiche
dal mammogramma
Informazioni
provenienti
da altri radiologi
Classificatore
Informazioni
provenienti
dalla storia clinica
del paziente
Informazioni
provenienti
dall’interpretazione
del radiologo
Recenti modelli di classificazione di sistemi CADx.
Nuovo modello di classificatore mediante sistema CADx con possibilità
di interfacciamento bidirezionale con il personale medico specializzato
Il progetto finale
Miglioramento della qualità
dell’immagine
Identificazione delle lesioni
Identificazione delle lesioni
Classificazione delle lesioni
Classificazione delle lesioni
SISTEMA CADx
DIAGNOSI
RADIOLOGO
Sviluppi futuri
Ottimizzazione degli strumenti di image processing esistenti
e creazione di nuovi algoritmi
Sviluppo del sistema decisionale
Sviluppo di un ambiente grafico
Ingegnerizzazione del sistema